L’AI generativa cambia chi può costruire un sistema IoT e quanto tempo ci vuole. Per gran parte dell’ultimo decennio, collegare dei sensori a qualcosa di utile significava affidarsi a un system integrator: qualcuno che sapesse quale dispositivo comprare, come decodificarne i messaggi, come modellare i dati e come scrivere la logica che trasforma una lettura in un avviso. Oggi i modelli linguistici possono svolgere una buona parte di questo lavoro di configurazione partendo da una semplice descrizione dell’obiettivo.

È un cambiamento importante, ed è facile sopravvalutarlo. Un modello che scrive una regola convincente può scrivere anche una regola convincente con l’unità di misura sbagliata. Le domande utili sono quali parti del lavoro passano all’AI, quali restano alle persone e come distinguere uno strumento che aiuta davvero da uno che fa solo una bella figura nelle demo.

In breve

  • Nell’IoT l’AI generativa dà il meglio nella fase di costruzione: sceglie l’hardware, scrive i decoder, prepara regole e dashboard a partire da un obiettivo descritto.
  • Le decisioni ripetitive in cui i tempi sono critici restano compito di regole deterministiche che funzionano sempre allo stesso modo.
  • Il rischio principale sono gli errori plausibili, quindi ogni configurazione generata deve poter essere testata e revisionata prima di entrare in funzione.
  • Quando si confrontano i software, conviene guardare a come le modifiche fatte dall’AI vengono controllate e annullate, non solo a ciò che l’AI sa generare.

Come si usa l’AI generativa nell’IoT?

Nell’IoT l’AI generativa compare in quattro tipi di lavoro, ed è utile tenerli separati perché comportano rischi molto diversi.

Al primo posto c’è la configurazione. Una persona descrive ciò che vuole, “avvisami quando la sala server supera i 27 °C e mostrami le letture su uno schermo”, e il modello propone i dispositivi, la regola e la dashboard. È qui che il risparmio di tempo è maggiore, perché la configurazione richiedeva tanti piccoli passaggi tecnici.

Subito dopo viene il codice. Molti sensori inviano payload binari compatti che richiedono un decoder, una breve funzione che trasforma i byte in valori con un nome. I modelli sono bravi a scriverne una prima versione partendo da una scheda tecnica, insieme alle formule di conversione e ai dati di test.

Poi ci sono le domande. Invece di costruire un grafico, una persona chiede “quali congelatori sono rimasti troppo caldi stanotte?” e ottiene una risposta. È utile, anche se si tratta di uno strumento di analisi più che di costruzione. La risposta vale quanto i dati su cui si basa, quindi il modello deve vedere marcature temporali e lacune, non solo i valori.

Documentazione e passaggio di consegne completano l’elenco: trasformare un sistema configurato in una descrizione leggibile di cosa fa ogni regola e di chi riceve quale allarme. È un lavoro poco gratificante e spesso saltato, e i modelli lo fanno bene. Leggere un riepilogo generato delle proprie regole è anche un passaggio di revisione sorprendentemente efficace: se la descrizione dice che l’allarme notturno arriva alla persona sbagliata, probabilmente è così anche nella regola.

Conta anche ciò che manca dall’elenco. I modelli generativi non sono adatti a prendere le decisioni in tempo reale. Un sensore di perdite d’acqua che deve chiudere una valvola entro pochi secondi, ogni volta, ha bisogno di una regola fissa. Un modello ragiona in modo leggermente diverso a ogni esecuzione e costa una richiesta ogni volta che viene interpellato.

C’è anche un motivo meno evidente per cui la configurazione è il terreno ideale. Quando un modello genera la configurazione per una piattaforma, il suo output finisce nella struttura propria di quella piattaforma: un dispositivo con un tipo, una regola con una condizione, un allarme con i destinatari. La piattaforma può validare tutto prima che qualcosa entri in funzione, e una persona può aprire ogni elemento nelle normali schermate.

Come funziona lo sviluppo AIoT?

Lo sviluppo AIoT, cioè la costruzione di sistemi connessi che combinano i dati IoT con l’intelligenza artificiale, segue le stesse fasi di sempre. Ciò che è cambiato è quanta parte di ogni fase una persona svolge a mano.

Fase In modo tradizionale Con l’aiuto dell’AI generativa
Scelta dell’hardware Studio delle schede tecniche, richieste ai fornitori Si descrive l’obiettivo e si ricevono tipi e modelli di sensore suggeriti
Collegamento dei dispositivi Configurazione di chiavi di rete e profili dispositivo per dispositivo L’agente registra i dispositivi e verifica che stiano trasmettendo
Decodifica dei dati Scrittura e test di un decoder per ogni modello di dispositivo Il modello prepara il decoder dalla scheda tecnica, una persona lo testa
Costruzione della logica Regole o script scritti a mano Il modello prepara la regola da una frase, una persona la revisiona
Allarmi Destinatari e canali configurati una schermata alla volta Il modello propone la gravità e una catena di escalation
Dashboard Posizionamento e configurazione di ogni widget Il modello imposta la dashboard, una persona aggiunge le viste
Test e consegna Test manuali e documentazione scritta Letture simulate, documentazione generata, approvazione finale di una persona

Prendiamo un gestore immobiliare che vuole ricevere avvisi di perdite d’acqua dai vani tecnici di 12 appartamenti. Facendo tutto a mano, i passaggi sono: scegliere un sensore di perdite, registrare 12 dispositivi, scrivere o trovare un decoder, costruire una regola, stabilire chi viene avvisato di notte e creare una dashboard. Con un assistente in grado di agire sulla piattaforma, la persona descrive l’obiettivo una sola volta, revisiona ciò che è stato creato e dedica il proprio tempo alle parti che richiedono giudizio, come decidere chi chiamare quando una perdita si presenta durante la notte.

Alcune fasi non si riducono affatto. Qualcuno deve comunque fare il giro dell’edificio per verificare la copertura radio, decidere dove mettere il gateway, montare i sensori dove l’acqua si raccoglie davvero e sostituire quello installato al contrario.

Kilo AI, l’AI integrata in Kilo, è pensata proprio per questo lavoro sulle schermate. Si descrive l’obiettivo e Kilo AI aggiunge i dispositivi, imposta regole e allarmi e crea la dashboard, in cui poi si posizionano i grafici desiderati. Scrive la condizione di una regola a partire da una richiesta in linguaggio naturale e, dopo il deploy, può simulare una lettura che la soddisfa e una che non la soddisfa, così si vede la regola reagire in entrambi i casi. Qualsiasi operazione distruttiva, come eliminare un dispositivo o una regola, attende una conferma esplicita. Per confrontare questo modo di costruire con il modo in cui il proprio team imposta oggi i progetti, si può prendere un progetto recente, contare le schermate e i passaggi che ha richiesto e metterli accanto a ciò che Kilo AI, che costruisce e gestisce un sistema IoT, crea a partire da un’unica descrizione.

Quali sono i rischi dell’AI generativa nell’IoT?

I rischi raramente sono clamorosi. Sono errori credibili, perché una configurazione generata di solito sembra corretta. Ecco gli schemi che nella pratica creano problemi.

L’ordine dei byte è un classico. Supponiamo che un sensore invii la temperatura su due byte, 00 F5, cioè 245, che secondo la scheda tecnica va diviso per 10: 24,5 °C. Un decoder scritto leggendo i byte nell’ordine opposto ottiene F5 00, cioè 62.720, ovvero 6.272 °C. Questo errore salta all’occhio. Un fattore di scala sbagliato che trasforma 24,5 in 2,45 è meno evidente, e una regola costruita su quel valore potrebbe non scattare mai.

Un altro sono le unità di misura. Una soglia di “80” significa una cosa in gradi Fahrenheit e una cosa ben diversa in gradi Celsius, e un modello che compila una regola partendo da una frase detta di passaggio deve indovinare quale si intendeva.

Le soglie possono essere plausibili ma sbagliate per il sito. “Avviso sopra gli 8 °C” è un valore predefinito sensato per il frigorifero di una farmacia e una scelta poco felice per una cantina di vini. L’AI generativa colma le lacune con valori tipici, quindi ogni soglia va verificata rispetto al sito a cui è destinata.

La riproducibilità è un problema più sottile. Se si pone due volte la stessa domanda a un modello, si possono ottenere due configurazioni leggermente diverse, entrambe ragionevoli. Per una prima bozza va bene, ma significa che ciò che va conservato, revisionato e versionato è la regola o il decoder generato, non il prompt che li ha prodotti.

L’ultimo è il perimetro. Una richiesta come “spegni tutto nell’ala est di notte” può essere interpretata in modo più ampio del previsto se il modello vede dispositivi che ci si era dimenticati di aver etichettato in quel modo.

La revisione umana conta soprattutto in tre punti. Verificare i decoder rispetto a una lettura nota, per esempio quella di un termometro accanto al sensore. Verificare le condizioni delle regole con un valore che dovrebbe farle scattare e uno che non dovrebbe. E verificare qualsiasi azione che invia un comando a un’apparecchiatura prima che giri senza supervisione. Una piattaforma che permette di eseguire una regola passo per passo con valori di test, o di simulare le letture prima della messa in funzione, rende questi controlli parte del normale flusso di lavoro.

Come scegliere un software IoT con AI

Le soluzioni software IoT con AI variano molto, e le demo tendono a mostrare la fase di generazione perché fa bella figura sullo schermo. Queste domande vanno a ciò che conta una volta che il sistema è in funzione. Valgono per qualsiasi fornitore, compreso un software IoT con AI sviluppato su misura internamente.

Collega i dispositivi che si possiedono già, con i protocolli che usano, senza sostituire l’hardware? Si può vedere e modificare tutto ciò che l’AI ha creato, nelle stesse schermate che userebbe una persona? Come mostra ciò che l’AI ha cambiato, e una modifica si può annullare? Il sistema continua a funzionare nel sito se cade la connessione a internet? L’AI agisce con i permessi della persona che la usa o con diritti propri più ampi? Quanto è grande la comunità di utenti e integratori a cui si può chiedere aiuto? Come è strutturato il prezzo, per dispositivo, per utente o per richiesta all’AI, e cosa succede ai costi passando da 20 a 2.000 dispositivi? E si possono esportare i propri dati se si decide di andarsene?

Conviene sottoporre la domanda sul prezzo a un rapido calcolo con i propri numeri. Un prezzo per utente sembra economico per un team di tre persone e costoso per un’azienda che vuole far vedere a 40 responsabili di sito il proprio edificio. Un prezzo per dispositivo cresce invece con l’hardware. Se l’uso dell’AI è fatturato per richiesta, conviene chiedere quante richieste consuma una configurazione tipica o un riepilogo giornaliero, perché un agente che controlla ogni dispositivo ogni ora può fare migliaia di chiamate al giorno.

Un fornitore che offre servizi di sviluppo AIoT dovrebbe saper rispondere a ciascuna in modo chiaro.

Domande frequenti sull’AI generativa nell’IoT

L’AI generativa può scrivere il codice dei dispositivi IoT?

Sì, per parti ben definite come decoder dei payload, conversioni dei dati e piccoli script è spesso una buona prima bozza. Il firmware che gira sul dispositivo stesso è più difficile, perché limiti di memoria, temporizzazioni e consumi dipendono dal chip specifico, e gli errori possono emergere solo dopo settimane sul campo. Il firmware generato deve passare per gli stessi test di qualsiasi altro firmware.

Lo sviluppo AIoT è la stessa cosa dell’AI generativa?

No. AIoT, abbreviazione di artificial intelligence of things (intelligenza artificiale delle cose), comprende qualsiasi AI che lavora con dati IoT, incluso il machine learning classico come il rilevamento delle anomalie e la visione artificiale sulle telecamere. L’AI generativa è un ramo, quello che produce testi, codice e configurazioni, e nello sviluppo AIoT aiuta soprattutto a costruire e a spiegare il sistema.

L’AI generativa sostituirà i system integrator IoT?

Cambia il loro lavoro più di quanto lo elimini. La configurazione di routine diventa più rapida, il che permette agli integratori di dedicare più tempo a sopralluoghi, copertura radio, installazione, logiche che incidono sulla sicurezza e alle discussioni su chi debba rispondere a quale allarme. L’installazione fisica e la responsabilità del risultato richiedono ancora le persone.

Un magazzino con un problema di umidità è un buon banco di prova per la parte di costruzione. Si descrive l’obiettivo in una frase, per esempio un avviso quando l’umidità supera il 70%, e si lascia che Kilo AI aggiunga il dispositivo, scriva la regola e crei una dashboard nel piano gratuito, che prevede esattamente una regola. Poi si aggiunge un grafico dell’umidità a quella dashboard nell’editor. Infine si verifica la condizione generata con una lettura sopra il limite e una sotto, prima di farci affidamento.